論文の概要: CNN aided Weighted Interpolation for Channel Estimation in Vehicular
Communications
- arxiv url: http://arxiv.org/abs/2104.08813v1
- Date: Sun, 18 Apr 2021 10:57:52 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-22 05:58:01.554333
- Title: CNN aided Weighted Interpolation for Channel Estimation in Vehicular
Communications
- Title(参考訳): チャネル推定のためのCNNによる重み付き補間
- Authors: Abdul Karim Gizzini, Marwa Chafii, Ahmad Nimr, Raed M. Shubair,
Gerhard Fettweis
- Abstract要約: IEEE 802.11p規格は、車両輸送と交通効率を管理する無線技術プロトコルを定義している。
この技術の開発における大きな課題は、非常にダイナミックな車両環境での通信信頼性の確保です。
本論文では,新しい深層学習(DL)に基づく重み付き推定器を提案し,車両チャネルを正確に推定する。
- 参考スコア(独自算出の注目度): 4.6898263272139795
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: IEEE 802.11p standard defines wireless technology protocols that enable
vehicular transportation and manage traffic efficiency. A major challenge in
the development of this technology is ensuring communication reliability in
highly dynamic vehicular environments, where the wireless communication
channels are doubly selective, thus making channel estimation and tracking a
relevant problem to investigate. In this paper, a novel deep learning
(DL)-based weighted interpolation estimator is proposed to accurately estimate
vehicular channels especially in high mobility scenarios. The proposed
estimator is based on modifying the pilot allocation of the IEEE 802.11p
standard so that more transmission data rates are achieved. Extensive numerical
experiments demonstrate that the developed estimator significantly outperforms
the recently proposed DL-based frame-by-frame estimators in different vehicular
scenarios, while substantially reducing the overall computational complexity.
- Abstract(参考訳): IEEE 802.11p規格は、車両輸送と交通効率を管理する無線技術プロトコルを定義している。
この技術の開発における大きな課題は、無線通信チャネルが2倍選択される高ダイナミックな車両環境において、通信の信頼性を確保することである。
本稿では,新しい深層学習を用いた重み付き補間推定器を提案し,特に高移動度シナリオにおける車両のチャネルを正確に推定する。
提案した推定器は、IEEE 802.11p標準のパイロットアロケーションを変更して、より多くの送信データレートを達成する。
大規模数値実験により,最近提案されたDLベースのフレーム・バイ・フレーム推定器の車体シナリオにおける性能は大幅に向上し,全体的な計算複雑性は著しく低下した。
関連論文リスト
- TrTr: A Versatile Pre-Trained Large Traffic Model based on Transformer
for Capturing Trajectory Diversity in Vehicle Population [13.75828180340772]
本研究では,トランスフォーマーアーキテクチャを交通タスクに適用し,車内における軌道の多様性を学習することを目的とした。
我々は、注意機構に合わせてデータ構造を作成し、繰り返しの時間的要求に対応する一連のノイズを導入する。
設計した事前学習モデルは,車両の空間分布を捉える上で優れた性能を示す。
論文 参考訳(メタデータ) (2023-09-22T07:36:22Z) - Deep Learning Based Channel Estimation in High Mobility Communications
Using Bi-RNN Networks [7.310043452300738]
本稿では,2重選択チャネルを正確に推定する最適化された双方向リカレントニューラルネットワーク (Bi-RNN) を用いたチャネル推定手法を提案する。
開発されたBi-GRU推定器は、最近提案されたCNNベースの推定器を、異なる移動シナリオで大幅に上回っている。
論文 参考訳(メタデータ) (2023-04-29T09:20:28Z) - Correlating sparse sensing for large-scale traffic speed estimation: A
Laplacian-enhanced low-rank tensor kriging approach [76.45949280328838]
本稿では,Laplacian enhanced Low-rank tensor (LETC) フレームワークを提案する。
次に,提案したモデルをネットワークワイド・クリグにスケールアップするために,複数の有効な数値手法を用いて効率的な解アルゴリズムを設計する。
論文 参考訳(メタデータ) (2022-10-21T07:25:57Z) - Estimating Link Flows in Road Networks with Synthetic Trajectory Data
Generation: Reinforcement Learning-based Approaches [7.369475193451259]
本稿では,限られた交通量と車両軌道データを組み合わせることで,道路網内のリンクフローを推定する問題に対処する。
本稿では,車両の連接動作を逐次決定問題として定式化する,新しい生成モデルフレームワークを提案する。
発生した人口車両軌跡が観測された交通量と軌跡データと一致していることを確認するために,逆強化学習と制約強化学習に基づく2つの手法を提案する。
論文 参考訳(メタデータ) (2022-06-26T13:14:52Z) - COOPERNAUT: End-to-End Driving with Cooperative Perception for Networked
Vehicles [54.61668577827041]
本稿では,車間認識を用いたエンドツーエンド学習モデルであるCOOPERNAUTを紹介する。
われわれのAutoCastSim実験は、我々の協調知覚駆動モデルが平均成功率を40%向上させることを示唆している。
論文 参考訳(メタデータ) (2022-05-04T17:55:12Z) - Model-based Deep Learning Receiver Design for Rate-Splitting Multiple
Access [65.21117658030235]
本研究では,モデルベース深層学習(MBDL)に基づく実用的なRSMA受信機の設計を提案する。
MBDL受信機は、符号なしシンボル誤り率(SER)、リンクレベルシミュレーション(LLS)によるスループット性能、平均トレーニングオーバーヘッドの観点から評価される。
その結果,MBDLはCSIRが不完全なSIC受信機よりも優れていた。
論文 参考訳(メタデータ) (2022-05-02T12:23:55Z) - Improving Proximity Estimation for Contact Tracing using a Multi-channel
Approach [1.3404503606887717]
近接推定を改善するためのマルチチャネル手法を提案する。
我々は,BLEとIEEE 802.11信号に基づく分類モデルを開発し,評価した。
IEEE 802.11のプローブ要求に基づく実装では、プライバシーの問題や制限にも遭遇しました。
論文 参考訳(メタデータ) (2022-01-25T15:45:23Z) - Federated Learning on the Road: Autonomous Controller Design for
Connected and Autonomous Vehicles [109.71532364079711]
CAV(コネクテッド・アンド・自律車両)の自律制御設計のための新しい統合学習(FL)フレームワークの提案
CAVの移動性、無線フェーディングチャネル、および不均衡で非独立で同一に分散されたデータを考慮に入れた新しい動的フェデレーション・プロキシ(DFP)アルゴリズムが提案されている。
最適制御器を用いてCAVがどの程度の速度で収束するかを同定するために,提案アルゴリズムに対して厳密な収束解析を行う。
論文 参考訳(メタデータ) (2021-02-05T19:57:47Z) - Physics-Informed Deep Learning for Traffic State Estimation [3.779860024918729]
交通状態推定(TSE)は、部分的に観測されたデータを用いて道路セグメント上の交通変数(例えば密度)を再構築する。
本論文では,少量の観測データを用いて高品質なTSEを効率的に実行するための物理情報深層学習(PIDL)フレームワークについて紹介する。
論文 参考訳(メタデータ) (2021-01-17T03:28:32Z) - Power Control for a URLLC-enabled UAV system incorporated with DNN-Based
Channel Estimation [82.16169603954663]
この手紙は、ディープニューラルネットワーク(DNN)に基づくチャネル推定を組み込んだ超信頼性低遅延通信(URLLC)有効無人航空機(UAV)システムの電力制御に関するものである。
論文 参考訳(メタデータ) (2020-11-14T02:31:04Z) - Millimeter Wave Communications with an Intelligent Reflector:
Performance Optimization and Distributional Reinforcement Learning [119.97450366894718]
ミリ波基地局のダウンリンクマルチユーザ通信を最適化するための新しいフレームワークを提案する。
チャネル状態情報(CSI)をリアルタイムで計測するために,チャネル推定手法を開発した。
最適赤外反射を学習し、ダウンリンク能力の期待を最大化するために、分布強化学習(DRL)手法を提案する。
論文 参考訳(メタデータ) (2020-02-24T22:18:54Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。